Candidate of Legal Sciences, Leading Researcher, Senior Lecturer at the Department of Criminal Law, Criminal Procedure, and Criminalistics, Law Institute
кандидат юридических наук, ведущий научный сотрудник, старший преподаватель кафедры уголовного права, уголовного процесса и криминалистики, юридический институт
Doctor of Legal Sciences, Full Professor, Chief Researcher, Head of the Department of Criminal Law, Criminal Procedure and Criminalistics, Law Institute
доктор юридических наук, доцент, главный научный сотрудник, заведующий кафедрой уголовного права, уголовного процесса и криминалистики, юридический институт
Advances in digital technology - particularly Web3’s pseudonymity and decentralized naming systems, combined with information flows’ anonymity, accessibility, and cross-border nature - enable terrorist organizations to recruit members and perpetrate discrete socially dangerous acts. Conventional reactive counterterrorism measures prove inadequate against rapid illicit content dissemination that leaves detectable digital traces. This study explores artificial intelligence’s (AI) counter-criminal potential on machine learning and predictive analytics for proactively identifying and preventing terrorist activity through behavioral indicators and digital footprints that facilitate a strategic shift to proactive security paradigms. The research develops a multimodal analytical framework integrating natural language processing, computer vision, audio analysis, and social network analysis, detailing the complete machine learning pipeline from data preprocessing to model deployment. It examines the “RED-Alert” system as practical implementation and proposes a novel “Threshold Adaptive Intervention” (PORA) module utilizing graph neural networks and time-series analysis for digital risk assessment. Machine learning excels at threat detection and digital evidence generating, necessitating reevaluation of internet service providers’ (ISP) liability - particularly collective digital inaction. A differentiated liability framework accounts for providers’ technical influence while treating AI-derived risk indicators as ancillary tools for establishing individual culpability. Machine learning and predictive analytics enable a strategic shift to proactive counterterrorism.
Развивающиеся цифровые технологии, а также характерные для нового поколения Интернета, Web3, псевдонимность и децентрализованные системы именования, наряду с анонимностью, общедоступностью и трансграничным характером информационных потоков, эксплуатируются террористическими группировками для вербовки новых членов и исполнителей отдельных общественно опасных деяний. Традиционные реактивные меры по противодействию терроризму оказываются недостаточными в условиях быстрого распространения незаконного контента, которые оставляют заметные цифровые следы. В этой связи важно изучить возможности передовых вычислительных методологий, в частности антикриминального потенциала искусственного интеллекта в предотвращении преступлений террористической направленности. Исследование направлено на изучение и продвижение потенциала машинного обучения и предиктивной аналитики как надежного механизма выявления и предотвращения участия в террористической деятельности путем определения индикаторов и цифровых следов, которые способствуют стратегическому переходу к проактивным парадигмам безопасности. В работе представлена мультимодальная аналитическая структура, сочетающая в себе обработку естественного языка, компьютерное зрение, аудиоанализ и анализ социальных сетей, с подробным описанием процесса машинного обучения от предварительной обработки данных до внедрения модели. В качестве практического применения рассматривается система «RED-Alert», а также предлагается новый модуль «Пороговое адаптивное вмешательство» (ПОРА), который использует графовые нейронные сети и анализ временных рядов для оценки цифровых рисков. Системы машинного обучения демонстрируют значительную эффективность в выявлении угроз и создании базы цифровых доказательств. Это требует переоценки ответственности провайдеров интернет-услуг, особенно в части коллективного цифрового бездействия. Предлагается дифференцированный подход к установлению ответственности, который учитывает техническое влияние провайдеров интернет-услуг. При этом описываемые индикаторы риска, определенные с помощью искусственного интеллекта, остаются вспомогательными инструментами в установлении вины субъекта. Машинное обучение и предиктивная аналитика способны преобразовать деятельность по предупреждению терроризма.